高校专区
以交互为中心的智能：将交互作为共创AI和人机系统中的主要分析单元
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Co-Creative AI Consulting（协同人工智能咨询）
AI总结 本文提出以交互作为主要分析单元，通过分布式认知、具身认知等理论，论证智能涌现于交互动态而非孤立计算，并引入交互中心智能框架。
BrainDINO：一种用于通用临床表征学习的脑MRI基础模型
机构 * Department of Radiation Oncology and Winship Cancer Institute, Emory University（放射肿瘤科和Winship癌症研究所，埃默里大学） ； Department of Radiation and Cellular Oncology, The University of Chicago（放射肿瘤学与细胞肿瘤学部，芝加哥大学） ； Department of Electrical and Computer Engineering, Georgia Institute of Technology（电气与计算机工程系，佐治亚理工学院） ； Department of Biomedical Engineering, Georgia Institute of Technology（生物医学工程系，佐治亚理工学院） ； Department of Biomedical Informatics, Emory University（生物医学信息学系，埃默里大学） ； Department of Medical Physics, Memorial Sloan Kettering Cancer Center（医学物理系，纪念斯隆凯特琳癌症中心）
AI总结 提出BrainDINO，一种基于自蒸馏的基础模型，在约660万张未标记轴向切片上训练，通过冻结编码器加轻量任务头，在多种脑MRI任务上达到或超越基线，尤其在小样本场景下优势显著。
Comments 25 pages, 5 figures
SafeManip: 一种基于属性的基准，用于机器人操作中的时间安全评估
机构 * Department of Machine Learning, Georgia Institute of Technology（佐治亚理工学院机器学习系） ； Department of Computer Science, University of Virginia（弗吉尼亚大学计算机科学系）
AI总结 SafeManip通过定义可重用的安全模板，评估机器人操作中的时间安全属性，涵盖碰撞安全、抓取稳定性等八类安全类别，验证了现有方法在安全评估上的不足。
信息瓶颈：从高维实验数据学习动力学相空间
机构 * Department of Physics, Emory University（埃默里大学物理系） ； Initiative in Theory and Modeling of Living Systems, Emory University（埃默里大学生命系统理论与建模倡议） ； Schools of Physics and Psychology, Georgia Institute of Technology（佐治亚理工学院物理与心理学学院） ； Department of Biology, Emory University（埃默里大学生物学系）
AI总结 提出DySIB方法，通过最大化过去与未来观测窗口间的预测互信息并惩罚表示复杂度，从高维时间序列数据中无监督学习低维动力学表示，在物理摆实验中恢复出与真实相空间匹配的二维表示。
Comments 12 pages including references, 7 figures, 4 appendix pages with 4 appendix figures
评估卡：AI评估报告的解释层
机构 * Hugging Face ； Stanford University（斯坦福大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Copenhagen（哥本哈根大学） ； Trustible ； EleutherAI ； TU Darmstadt（达姆施塔特工业大学） ； Weizenbaum Institute & Technical University of Munich（魏森鲍姆研究所与慕尼黑工业大学） ； Harvard University（哈佛大学） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Iowa State University（爱荷华州立大学） ； IBM Research（IBM研究院） ； University of Chicago（芝加哥大学） ； Independent（独立） ； Berkeley AI Safety Institute (BASIS)（伯克利人工智能安全研究所） ； Simula ； University of Edinburgh（爱丁堡大学） ； ETH Zurich & ETH AI Center（苏黎世联邦理工学院与ETH AI中心） ； Oxford Internet Institute（牛津互联网研究所） ； Amherst College（阿默斯特学院） ； University of Nebraska（内布拉斯加大学） ； Syntony Research ； McGill University（麦吉尔大学） ； Evals Consensus ； Israel Institute of Technology（以色列理工学院） ； IOL.Learn & Zuse Institute Berlin（IOL.Learn与柏林祖泽研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； Quebec AI Institute, Université de Montréal（魁北克人工智能研究所，蒙特利尔大学） ； University of Notre Dame（圣母大学） ； Georgetown University（乔治城大学） ； DHBW Stuttgart（斯图加特双元制大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对AI评估报告不一致的问题，提出EvalCards作为统一记录层，通过结构化模式、四种解释信号和监控工具，覆盖5816个模型和635个基准，揭示报告实践中的系统性差距。
对自动化工作流中智能体错位的冷静审视
机构 * University of Virginia（弗吉尼亚大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Utah（犹他大学） ； University of Notre Dame（圣约翰大学） ； George Washington University（乔治华盛顿大学）
AI总结 本文研究多智能体系统中的新兴错位问题（称为智能体错位），通过贝叶斯框架分析其成因，并提出基于证据的智能体对齐范式（AEA）来纠正错位行为，从而提升协作可靠性。
随流而行：Koopman行为模型作为视觉运动灵巧性的伪规划器
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出统一行为模型（UBM），将灵巧技能建模为耦合动力系统，确保时间一致性；基于Koopman算子实现线性潜空间，通过在线重规划实现反应性和适应性，在模拟和真实任务中达到或超越现有方法。
Comments Website: https://k-ubm.github.io/
误导比纠正更容易：LLM 从众中的有害与有益修正
机构 * Amazon（亚马逊） ； Georgia Institute of Technology（佐治亚理工学院） ； Illinois Institute of Technology（伊利诺伊理工学院）
AI总结 通过控制实验，研究大语言模型在多智能体系统中面对同伴答案时的从众行为，发现同伴一致意见更容易误导原本正确的模型，而权威标签使模型更倾向于选择被认可的答案，且通用推理干预无法可靠地减少有害修正。
从单视角视频中基于3D无标记运动学的罗达和格雷厄姆步态分类量化
机构 * Department of Biomedical Informatics, Emory University（埃默里大学生物医学信息学系） ； Shriners Children’s（夏皮罗儿童医院） ； The Wallace H. Coulter Department of Biomedical Engineering, Emory University and Georgia Institute of Technology（埃默里大学和佐治亚理工学院的沃克·H·库勒生物医学工程系）
AI总结 本文提出了一种基于单视角视频的无标记步态分析方法，用于量化罗达和格雷厄姆步态分类中的膝踝z分数，从而在资源有限的临床环境中实现可扩展的客观步态评估。
Comments 29 pages, 8 figures, 9 tables (including 1 supplementary table); manuscript prepared in PLOS ONE format
CHIMERA-Bench：一种针对表位特异性抗体设计的基准数据集
机构 * Georgia State University（佐治亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Engineering and Technology（工程与技术大学） ； Lahore University of Management Sciences（拉合尔管理科学大学）
AI总结 本文提出CHIMERA-Bench，一个统一的抗体设计基准，包含2922个抗原-抗体复合物数据，测试泛化能力，并评估多种生成方法的通用性。
基于大语言模型的游戏智能体综述
机构 * Georgia Institute of Technology USA（佐治亚理工学院美国分校） ； Cisco Research USA（思科研究美国分公司）
AI总结 综述基于大语言模型的游戏智能体，提出统一参考架构，从单智能体（记忆、推理、感知-行动接口）和多智能体（通信协议、组织模型）层面总结研究，并建立挑战导向的分类法连接六种游戏类型与智能体需求。
Comments ACM Computing Surveys, 2026
AMix-1: 迈向测试时可扩展的蛋白质基础模型
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Generative Symbolic Intelligence Lab (GenSI), Tsinghua University（生成符号智能实验室（GenSI），清华大学） ； Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Tianjin University（天津大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； City University of Hong Kong（香港城市大学）
AI总结 提出基于贝叶斯流网络的蛋白质基础模型AMix-1，通过预训练缩放律、涌现能力分析、上下文学习机制和测试时缩放算法，实现1.7B参数模型，并设计出活性提高50倍的AmeR变体。
通过核稳定流匹配从稀疏观测中建模随机条件动力学
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Sandia National Laboratories（桑地亚国家实验室）
AI总结 提出条件变量流匹配（CVFM）框架，通过联合采样状态和条件变量流，利用条件不匹配核和Wasserstein距离重加权目标，从稀疏非配对数据中学习条件分布的时间演化，在材料结构建模中表现更优。
Comments Accepted to Transactions on Machine Learning Research (2026); OpenReview: https://openreview.net/forum?id=3A6oAS2TWo
Journal ref Transactions on Machine Learning Research, 2026
SlideAgent：用于多页视觉文档理解的分层代理框架
机构 * Georgia Institute of Technology（佐治亚理工学院） ； J.P. Morgan AI Research（摩根大通AI研究）
AI总结 提出SlideAgent，一种用于多模态多页文档（如幻灯片）理解的分层代理框架，通过全局、页面和元素三级推理构建结构化表示，在专有和开源模型上分别提升7.9%和9.8%的准确率。
Comments ACL 2026 Main Conference. https://slideagent.github.io/
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈